IDC刚甩出一组数字：2029年，中国工业AI市场要冲到1087.2亿元。不是远景展望，是实打实的五年倒计时——年复合增速33.6%，比很多消费赛道还猛。可光看规模没用，真正卡脖子的，是能不能把AI塞进产线、焊进PLC、读懂图纸、调得动设备。这时候翻IDC最新图谱，赛意信息（300687）的名字跳出来，一口气覆盖11个细分市场：从底层的专用时序大模型、AI平台，到中层的智能体开发工具，再到研发、排产、质检、供应链等具体场景的智能体应用——横跨工业大模型、AI平台、工业智能体、行业AI四大层级，是整份报告里覆盖最全的厂商之一。
它没走“大模型+PPT”的路子。别人还在拿通用大模型套壳，赛意直接搞出“善谋GPT”工业AI中台，专攻制造业知识密度高、数据结构杂、规则嵌套深的痛点。比如PCB行业，图纸解析+工艺报价过去靠老师傅盯几小时，现在分钟级搞定，准确率98%；光伏产线用AI调参，良率波动收窄30%；电子厂的智能排产系统，能把插单响应时间从半天压到15分钟。这些不是实验室Demo，已在立讯、比亚迪、宁德时代等头部客户跑着，还进了国家级AI应用典型案例。
更关键的是，它把AI“长”进了产品里。不是加个AI按钮就叫智能化，而是MES、APS、QMS这些老系统，原生就带推理能力。IDC点名说：AI正把MES从“生产执行工具”拽向“智能制造操作系统”。赛意连续三年在电子、光伏等行业的MES市占率第一，靠的就是这套“知识增强工业AI”打法——懂机理、认设备、会算账、守规则。加上它跟华为昇腾深度绑定，善谋GPT已完成国产算力适配，50亿级算力采购合同刚落地。当别人还在谈概念，它已经在帮工厂省真金白银、抢交付窗口、扛海外订单了。
这背后不是靠堆人头、烧算力，而是把制造业的“隐性知识”一锤一锤敲进模型里。老师傅手写在笔记本上的参数经验、产线停机时随口说的“八成是伺服模块温漂”，甚至设备维修单里夹着的半张草图——赛意团队真去工厂蹲点，用NLP+规则引擎+小样本学习，把这些散落的“人话”变成AI能理解的工业语义。中科院《智能制造知识工程白皮书》里专门提到：工业AI落地难，70%卡在知识沉淀断层。赛意干的，就是补上这一环。
再看交付节奏。别人做AI项目动辄半年起步，它把标准模块拆成“可插拔智能体”：质检环节换摄像头？直接调用视觉推理体；排产逻辑要适配新客户订单规则？拖拽式编排工具改两行配置就行。深圳一家做车载镜头的厂商，上线智能质检只用了11天——比传统MES升级快4倍。这不是压缩工期，是把工业软件的迭代逻辑，从“版本发布”变成了“功能热更新”。
还有个细节常被忽略：它没把客户当甲方，而是陪跑。比如给宁德时代建电池缺陷分析模型，工程师不是待在办公室调参，而是跟着产线夜班，记录每台AOI设备在不同温湿度下的误报曲线，硬是把模型泛化能力拉高了22%。这种“脏活累活”，恰恰是工业AI和消费AI最本质的区别——没有场景里的灰度，就没有真正的鲁棒性。
当然，挑战也明摆着。IDC报告里也写了：超六成制造企业仍卡在数据治理关，设备协议不统一、历史数据缺失、IT/OT系统割裂……赛意自己也在年报里坦承，2023年实施周期平均延长了17天，主因是客户侧数据准备不足。但有意思的是，它顺势把“数据筑基服务”做成单独产品线，帮客户先理清PLC点位表、对齐MES字段、打标三年缺陷图谱——先当基建队，再当AI教练。
说到底，工业AI不是换个更亮的灯泡，而是重铺整条产线的神经网络。当别家还在比谁的模型参数多，赛意已经让AI学会看懂一张老化电路板上的焊锡反光、听出变频器里轴承的早期异响、算准铜价波动对下周备料成本的影响。这些能力没法PPT讲清，但产线主管的KPI报表会说话：OEE提升5.3%，换型时间减少28%，客户投诉率下降19%。数字不会骗人，工厂更不会。
方舟配资提示：文章来自网络，不代表本站观点。
